CN109242696A - 基金估值方法及存储介质 - Google Patents

Abstract

一种基金估值方法及存储介质，其中方法包括如下步骤，获取基金历史净值信息，获取历史响应参数信息，所述响应参数包括持仓股涨跌幅信息、股指涨跌幅；将基金历史净值信息及历史响应参数信息代入基金估值算法，确定不同响应参数对应的响应系数，根据岭回归算法拟合响应系数，根据拟合后的响应系数及当前的响应参数信息计算当前基金估值。上述方案通过适用岭回归算法，根据券商目前能够得到的有效信息、历史信息，通过将基金重仓产品的涨跌幅及股指证跌幅作为响应参数，通过对过去若干交易日的数据确定响应系数，从而能够更有效并更准确地进行基金估值。

Description

基金估值方法及存储介质

技术领域

本发明涉及金融产品设计领域，尤其涉及一种基金的实时估值方法。

背景技术

每只基金一般每季度会公布一份当前基金持仓情况，一般公布数据为前十大重仓股投资占比(而前十大重仓股所占投资比例每只基金各有不同，占比区间在百分之零点几至百分之九十以上)；且，每季度季中，基金经理可以随时进行调仓，调仓后的信息并不会及时对外发布。基于以上信息，从外部公开数据上看，无法准确掌握每只基金当前准确的持仓情况，为基金盘中实时估值造成了一定难度。

发明内容

为此，需要提供一种能够解决基金的实时估值方法，解决券商对基金的产品信息获取的需求。

为实现上述目的，发明人研发了一种基金估值方法，包括如下步骤，获取基金历史净值信息，获取历史响应参数信息，所述响应参数包括持仓股涨跌幅信息、股指涨跌幅；将基金历史净值信息及历史响应参数信息代入基金估值算法，确定不同响应参数对应的响应系数，根据岭回归算法拟合响应系数，根据拟合后的响应系数及当前的响应参数信息计算当前基金估值。

进一步地，所述基金估值算法为

G＝NAV×(1+Y)

Y＝linearRidge(α+β₁×A+β₂×B)

其中G为基金的实时净值估值、NAV为基金上一个交易日的基金单位净值、Y为当前基金估算的实时涨跌幅、A为当前重仓产品的加权涨跌幅；B为股指涨跌幅；α、β₁、β₂为响应系数。

具体地，所述股指涨跌幅包括沪深300指数涨跌幅、中小板指数涨跌幅或创业板指涨跌幅。

一种基金估值存储介质，存储有计算机程序，所述计算机程序在被运行时执行如下步骤，获取基金历史净值信息，获取历史响应参数信息，所述响应参数包括持仓股涨跌幅信息、股指涨跌幅；将基金历史净值信息及历史响应参数信息代入基金估值算法拟合响应参数信息的响应系数信息，确定不同响应参数对应的响应系数，根据岭回归算法拟合响应系数，根据拟合后的响应系数及当前的响应参数信息计算当前基金估值。

具体地，所述基金估值算法为

G＝NAV×(1+Y)

Y＝linearRidge(α+β₁×A+β₂×B)

其中G为基金的实时净值估值、NAV为基金上一个交易日的基金单位净值、Y为当前基金估算的实时涨跌幅、A为当前重仓产品的加权涨跌幅；B为股指涨跌幅；α、β₁、β₂为响应系数。

优选地，所述股指涨跌幅包括沪深300指数涨跌幅、中小板指数涨跌幅或创业板指涨跌幅。

可选地，所述基金估值算法为

G＝NAV×(1+Y)

Y＝linearRidge(α+β₁×A+β₃×C+β₄×D+β₅×E)

其中G为基金的实时净值估值、NAV为基金上一个交易日的基金单位净值、Y为当前基金估算的实时涨跌幅、A为当前重仓产品的加权涨跌幅，C为沪深300指数涨跌幅、D为中小板指数涨跌幅；E为创业板指涨跌幅。

区别于现有技术，上述方案通过适用岭回归算法，根据券商目前能够得到的有效信息、历史信息，通过将基金重仓产品的涨跌幅及股指证跌幅作为响应参数，通过对过去若干交易日的数据确定响应系数，从而能够根据经验从而能够更有效并更准确地进行基金估值。

附图说明

图1为本发明具体实施方式所述基金估值方法流程图；

图2为本发明具体实施方式所述基金估值方法效果展示图。

具体实施方式

为详细说明技术方案的技术内容、构造特征、所实现目的及效果，以下结合具体实施例并配合附图详予说明。

在图1所示的实施例中，展示了一种基金估值方法，包括如下步骤，S100获取基金历史净值信息，S102获取历史响应参数信息，所述响应参数包括持仓股涨跌幅信息、股指涨跌幅；S104将基金历史净值信息及历史响应参数信息代入基金估值算法，确定不同响应参数对应的响应系数，S106根据岭回归算法拟合响应系数；S108根据响应系数及当前的响应参数信息计算当前基金估值。

在某些实施例中，所述基金估值算法为

G＝NAV×(1+Y)

Y＝linearRidge(α+β₁×A+β₂×B)

其中G为基金的实时净值估值、NAV为基金上一个交易日的基金单位净值、Y为当前基金估算的实时涨跌幅、A为当前重仓产品的加权涨跌幅，尽管基金公司不会实时公开净值，但还是会公开若干重仓债券或股票(遇到中报年报披露，重仓股会超过10个、也可能不满足10个，根据实际情况确定重仓债券、基金的数量，优选为10个)，加权涨跌幅意为，通过不同的持仓债券或股票按占基金净资产值比例作为权重，对当前涨跌幅加权求和的结果；B为股指涨跌幅；α、β₁、β₂为响应系数。在本实施例中，重仓产品的加权涨跌幅及股指涨跌幅就是响应参数，那么历史响应参数信息可以选取当前交易日之前若干交易日的重仓产品的加权涨跌幅及股指涨跌幅作为数据输入，基金历史净值信息可以选用当前交易日之前若干交易日结束时的基金净值信息作为数据输入，上述二者优选当前交易日之前10日的交易数据，也可以根据需要确定为15日、20日等等。再将反向求得的不同交易日的响应系数通过岭回归算法确定最终的优选响应系数α、β₁、β₂，最终再次代入上式，将上市中的历史响应参数替换为当前响应参数信息计算当前基金的估值。这样得到的当前基金估值便于计算且相对于不使用岭回归算法求得的结果更加精确。

而在其他一些进一步的实施例中，股指涨跌幅包括沪深300指数涨跌幅C、中小板指数涨跌幅D或创业板指涨跌幅E，而相应地，我们的基金估值算法将变为：

G＝NAV×(1+Y)

Y＝linearRidge(α+β₁×A+β₃×C+β₄×D+β₅×E)

其中G为基金的实时净值估值、NAV为基金上一个交易日的基金单位净值、Y为当前基金估算的实时涨跌幅、A为当前重仓产品的加权涨跌幅，尽管基金公司不会实时公开净值，但还是会公开若干重仓债券或股票(遇到中报年报披露，重仓股会超过10个、也可能不满足10个，根据实际情况确定重仓债券、基金的数量，如8个、12个、14个等等，优选为10个)，加权涨跌幅意为，通过不同的持仓或重仓债券或股票按占基金净资产值比例作为权重，对涨跌幅加权求和的结果，加权涨跌幅的公式A可以表达如下式：

W_i为第i个产品持仓占基金总值的比重，R_i为第i个产品的涨跌幅，n为重仓产品总数。

α、β₁、β₃、β₄、β₅为不同参数对应的响应系数。在本实施例中，重仓产品的加权涨跌幅及股指涨跌幅就是响应参数，那么历史响应参数信息可以选取当前交易日之前若干交易日的重仓产品的加权涨跌幅及股指涨跌幅作为数据输入，基金历史净值信息可以选用当前交易日之前若干交易日结束时的基金净值信息作为数据输入，上述二者优选当前交易日之前10日的交易数据，也可以根据需要确定为15日、20日等等。再将反向求得的不同交易日的响应系数通过岭回归算法确定最终的优选响应系数α、β₁、β₂，最终代入上式，将历史响应参数替换为当前响应参数来计算当前基金的估值。这样得到的当前基金估值便于计算且相对于不使用岭回归算法求得的结果更加精确。

在有些实施例中，某些基金估值计算方法针对普通股票型基金及偏股混合型基金估值效果较差。以2018年5月28日至6月1日估值数据为例，不同类型基金估值效果如下表1。某些估值效果受市场波动影响整体误差较大。其中，误差最为突出的为偏股混合型基金及普通股票型基金。结合好买网估值算法，拟定对股票型基金采用十大重仓股行情+沪深300指数+中小板指数+创业板指数作为自变量进行估值试验。

基金类型	基金数量	周估值误差均值
			偏股混合型基金	403	0.52％
混合债券型二级基金	160	0.15％
			混合债券型一级基金	66	0.23％
中长期纯债型基金	38	0.08％
			偏债混合型基金	98	0.10％
灵活配置型基金	413	0.42％
			增强指数型基金	28	0.41％
被动指数型基金	181	0.47％
			普通股票型基金	107	0.52％
股票多空	11	0.17％
			平衡混合型基金	20	0.40％
增强指数型债券基金	2	0.19％
			总计	1527	0.39％

表1周估值效果分析

本发明的计算方法相对于其他两种现有基金估值方法的表现整理如图2所示，在对本发明方法跟踪期间，岭回归算法应用后的估值效果明显优于未使用岭回归的估值算法。运行时间上，本地完成一次全量估值(数据导入、估值、数据导出)，耗时24s，本发明的岭回归算法在更新效率上具有一定优势。同时与仅使用线性回归算法的其他估值算法，本发明也有较优的表现。

在其他一些具体的实施例中，本发明还介绍一种基金估值存储介质，存储有计算机程序，所述计算机程序在被运行时执行如下步骤，获取基金历史净值信息，获取历史响应参数信息，所述响应参数包括持仓股涨跌幅信息、股指涨跌幅；将基金历史净值信息及历史响应参数信息代入基金估值算法拟合响应参数信息的响应系数信息，确定不同响应参数对应的响应系数，根据岭回归算法拟合响应系数，根据拟合后的响应系数及当前的响应参数信息计算当前基金估值。

具体地，所述基金估值算法为

G＝NAV×(1+Y)

Y＝linearRidge(α+β₁×A+β₂×B)

其中G为基金的实时净值估值、NAV为基金上一个交易日的基金单位净值、Y为当前基金估算的实时涨跌幅、A为当前重仓产品的加权涨跌幅；B为股指涨跌幅；α、β₁、β₂为响应系数。

优选地，所述股指涨跌幅包括沪深300指数涨跌幅、中小板指数涨跌幅或创业板指涨跌幅。

可选地，所述基金估值算法为

G＝NAV×(1+Y)

Y＝linearRidge(α+β₁×A+β₃×C+β₄×D+β₅×E)

其中G为基金的实时净值估值、NAV为基金上一个交易日的基金单位净值、Y为当前基金估算的实时涨跌幅、A为当前重仓产品的加权涨跌幅，C为沪深300指数涨跌幅、D为中小板指数涨跌幅；E为创业板指涨跌幅。

上述存储介质通过适用岭回归算法，根据券商目前能够得到的有效信息、历史信息，通过将基金重仓产品的涨跌幅及股指证跌幅作为响应参数，通过对过去若干交易日的数据确定响应系数，从而能够更有效并更准确地进行基金估值。

需要说明的是，尽管在本文中已经对上述各实施例进行了描述，但并非因此限制本发明的专利保护范围。因此，基于本发明的创新理念，对本文所述实施例进行的变更和修改，或利用本发明说明书及附图内容所作的等效结构或等效流程变换，直接或间接地将以上技术方案运用在其他相关的技术领域，均包括在本发明的专利保护范围之内。

Claims (8)

1.一种基金估值方法，其特征在于，包括如下步骤，获取基金历史净值信息，获取历史响应参数信息，所述响应参数包括持仓股涨跌幅信息、股指涨跌幅；将基金历史净值信息及历史响应参数信息代入基金估值算法，确定不同响应参数对应的响应系数，根据岭回归算法拟合响应系数，根据拟合后的响应系数及当前的响应参数信息计算当前基金估值。

2.根据权利要求1所述的基金估值方法，其特征在于，所述基金估值算法为

G＝NAV×(1+Y)

Y＝linearRidge(α+β₁×A+β₂×B)

其中G为基金的实时净值估值、NAV为基金上一个交易日的基金单位净值、Y为当前基金估算的实时涨跌幅、A为当前重仓产品的加权涨跌幅；B为股指涨跌幅；α、β₁、β₂为响应系数。

3.根据权利要求1所述的基金估值方法，其特征在于，所述股指涨跌幅包括沪深300指数涨跌幅、中小板指数涨跌幅或创业板指涨跌幅。

4.根据权利要求3所述的基金估值方法，其特征在于，所述基金估值算法为

G＝NAV×(1+Y)

Y＝linearRidge(α+β₁×A+β₃×C+β₄×D+β₅×E)

其中G为基金的实时净值估值、NAV为基金上一个交易日的基金单位净值、Y为当前基金估算的实时涨跌幅、A为当前重仓产品的加权涨跌幅，C为沪深300指数涨跌幅、D为中小板指数涨跌幅；E为创业板指涨跌幅。

5.一种基金估值存储介质，其特征在于，存储有计算机程序，所述计算机程序在被运行时执行如下步骤，获取基金历史净值信息，获取历史响应参数信息，所述响应参数包括持仓股涨跌幅信息、股指涨跌幅；将基金历史净值信息及历史响应参数信息代入基金估值算法，确定不同响应参数对应的响应系数，根据岭回归算法拟合响应系数，根据拟合后的响应系数及当前的响应参数信息计算当前基金估值。

6.根据权利要求5所述的基金估值存储介质，其特征在于，所述基金估值算法为

G＝NAV×(1+Y)

Y＝linearRidge(α+β₁×A+β₂×B)

其中G为基金的实时净值估值、NAV为基金上一个交易日的基金单位净值、Y为当前基金估算的实时涨跌幅、A为当前重仓产品的加权涨跌幅；B为股指涨跌幅；α、β₁、β₂为响应系数。

7.根据权利要求5所述的基金估值存储介质，其特征在于，所述股指涨跌幅包括沪深300指数涨跌幅、中小板指数涨跌幅或创业板指涨跌幅。

8.根据权利要求7所述的基金估值存储介质，其特征在于，所述基金估值算法为

G＝NAV×(1+Y)

Y＝linearRidge(α+β₁×A+β₃×C+β₄×D+β₅×E)

其中G为基金的实时净值估值、NAV为基金上一个交易日的基金单位净值、Y为当前基金估算的实时涨跌幅、A为当前重仓产品的加权涨跌幅，C为沪深300指数涨跌幅、D为中小板指数涨跌幅；E为创业板指涨跌幅。